加入交互项后系数大幅变动如何解释？多层混合效应模型结果解读疑问

• 首先明确系数含义的本质变化
  你的两个预测变量均为二分类变量（0=未加入对应组件，1=加入对应组件），使用默认虚拟编码时，加入交互项后主效应的定义和无交互项的模型完全不同：
  • 无交互项时，组件1的β=2.49代表「控制组件2的情况下，平均而言加入组件1带来的结局提升幅度」，是跨所有组件2取值的平均效应
  • 有交互项时，组件1的β=-0.485代表「仅当组件2取值为0（未加入）时，加入组件1带来的结局变动幅度」；组件2的β=-0.358代表「仅当组件1取值为0（未加入）时，加入组件2带来的结局变动幅度」；交互项β=6.15代表「同时加入两个组件时，超出两个组件单独效应之和的额外提升幅度」
• 数值变动的合理性验证
  我们可以直接计算四组人群的预测结局值：

两个组件均未加入：25.62
仅加入组件1：25.62 -0.485 = 25.135
仅加入组件2：25.62 -0.358 = 25.262
同时加入两个组件：25.62 -0.485 -0.358 +6.156 = 30.933

将上述值换算为无交互项模型的平均主效应：组件1的平均效应为（仅加组件1+同时加两个组件的均值）减去（均未加+仅加组件2的均值），计算结果约为2.59，和你原模型的2.49几乎一致，差异来自小数截断，说明数值变动完全符合统计逻辑，不存在计算错误。

• 显著性结果解读
  当前所有固定效应的p值均远大于0.05的常用显著性阈值，且交互项的95%置信区间为6.15 ± 1.96*5.28 = [-4.2, 16.5]，区间跨0，说明当前样本量下无法证明主效应或交互效应真实存在，不能直接判定“交互项存在效应只是未达显著”。
• 多层模型的额外提示
  你的两层模型中，干预组件属于受试者层面（Level 2）的变量，自由度仅为58_{59，说明总受试者量约为60人，而检测交互效应所需的样本量通常是检测主效应的2}4倍，当前结果不显著大概率是统计效力不足导致的，如果要验证交互效应假设需要进一步扩大受试者样本量。

内容的提问来源于stack exchange，提问作者Marco